发布时间 : 星期三 文章本科毕业论文-—基于神经网络的非线性自适应控制研究更新完毕开始阅读46829234842458fb770bf78a6529647d27283481
青岛科技大学本科毕业设计（论文）
摘要
神经网络自适应控制是基于自适应的基本原理，利用神经网络的特点设计而成的。它发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了一种新方法。
本文基于Lyapunov稳定性理论，采用神经网络直接自适应控制的思想设计控制器，研究了一类带干扰的不确定非线性系统的控制问题。控制器主要是针对不确定非线性系统中存在的两类未知项——未知函数和未知外界干扰而设计，其中未知函数利用径向基函数神经网络来近似，外界干扰利用非线性阻尼项来抑制，这样可以充分利用神经网络的逼近特性，克服复杂系统难以建模等困难，并且系统稳定性和收敛性在给出的假设的条件下均能得到保证。最后设计程序进行仿真验证，在程序设计中，以高斯函数作为基函数，仿真结果表明在权值和控制的有界性方面取得了一定的效果。
本文第一章到第三章详细介绍了人工神经网络及神经网络控制的发展和研究现状；第四章主要介绍了径向基函数神经网络，并对其逼近能力进行仿真； 在结束语中展望了神经网络控制的发展前景，提出以后的研究方向。
关键词：RBF神经网络，自适应控制，不确定非线性系统
Abstract
Neural network adaptive control is proposed combining adaptive control's advantages with neural network's characters and provides a new method for nonlinear control.
Based on Lyapunov stability theorem and neural network direct adaptive control idea the control problem of a class of uncertain nonlinear system with disturbance is researched. The controller is designed arming at two kinds of uncertainties existing in nonlinear system--the unknown functions and the uncertain disturbance. In controller. the radial basis function neural network is used as approximation model for the unknown functions. and nonlinear damping term is used to counteract the disturbances. so neural network's better approximation capabilities can be utilized richly and the modeling difficulties can be avoided. Meanwhile. the controlled system's stability and convergence can be guaranteed under some assumptions. At last the program is designed to verify the effectiveness of the controller. In presented programs. Guassian function is used as basis function. Simulation results show that the bound ness effects of weighs and control input are better.
The rough framework of this thesis is as following: the artificial neural network
1
基于神经网络的非线性自适应控制研究
and neural network control are introduced in detail from the first chapter to the third chapter; the radial basis function neural network is described and its approximation performance is simulated in the fourth chapter; the development of neural network control is expected and the further research prospect is proposed in the end words.
Keywords: Radial Basis Function neural network adaptive control, uncertain nonlinear system
2
青岛科技大学本科毕业设计（论文）
1 绪论
非线性现象是工程、自然界以及人类社会话动的各个领域普遍存在的问题，非线性控制在控制科学中也一直占有重要地位。通常工业过程中都存在着不确定性和时变性等非线性现象，当受控对象或环境发生变化时，为保证良好的控制性能，可采取自适应控制策略。日前，自适应控制器结构的选取和参数调整规则，都是建立在线性系统理论的基础上，对于非线性系统的自适应控制问题人们一直在寻求新的有效解决方法。因此，寻找新的工具和方法来研究非线性系统的自适应控制问题就成了控制理论中研究的热点，
神经网络由于其本质上高度的非线性、信息处理的并行性、信息处理单元的互连性、良好的容错性、计算的非精确性及自学习、自组织和自适应性等特点，为解决复杂的非线性、不确定、不确知系统在不确定、不确知环境中的控制问题提供了一个很好的工具和模型，从而可以使控制系统稳定性、鲁棒性好，达到要求的动态与静态（或称稳态）性能。对于神经网络来说，描述非线性映射、建立非线性系统模型等都变得非常容易，这在控制器的设计中极为重要，所以神经网络在非线性控制中得到了广泛的应用。
神经网络研究的兴起与神经网络控制的发展为解决非线性系统的自适应控制问题带来了生机。神经网络自适应控制是基于自适应的基本原理，利用神经网络的特点和理论设计而成的，发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了一种新方法。
经过20余年的努力，神经网络自适应控制在连续和离散非线性系统中的研究都己取得丰硕的成果，当前的研究有以下几个方面：在不确定非仿射线线性系统的直接自适应状态反馈控制器设计中，所用的神经网络具有弹性结构，也就是说神经元的数量是一个变量，神经网络逼近且自适应地取代了非线性系统巾的不确定性，整个闭环系统在Lyapunov意义下稳定：采用没有反馈的神经网络自适应控制器对带有死区非线性的系统进行了控制研究，该自适应控制器能对这类非线性系统实现有效的控制：基于多层神经网络提出了一种直接自适应控制方案，首先应用多层神经网络自适应模型逼近逆解中的未知部分，然后应用逆设计和自适应反演设计出虚拟控制量，最后应用反馈线性化方法和神经网络设计了直接自适应控制律，并利用Lyapunov稳定性定理推导了神经网络的参数调节律，保证了闭环系统的所有信号均最终一致有界：文献[4]针对NARMA模
3
基于神经网络的非线性自适应控制研究
型提出直接自适应神经网络控制方案。用前馈神经网络作为系统模型，控制信号直接通过最小化在设定点和模型输出之间的瞬时差分或累积差分获得，采用广义预测理论和梯度下降法加快学习速率和收敛性能：文献[5]针对不稳定的无人驾驶飞行器提出直接自适应神经网络控制器设计方案，控制规律来跟踪俯仰角速率指令，神经网络线性滤波器和BP学习算法用来逼近控制律。设计神经控制器需要的有界信号可通过一种离线有限时间的训练方案获得，以提供必需的稳定性和跟踪性能，空气动力系数带来的不确定性由在线学习方案来补偿。文献[6]针对一类不确定非线性系统，利用神经网络可逼近任意非线性函数的能力和误差滤波理论，提出了一种基于径向基函数神经网络的自适应控制器设计方案，以使非线性系统在存在不确定项或受到未知干扰时，其输出为期望输出，根据Lyapunov理论，给出了系统稳定的充分条件：文献[7]针对连续时间和离散时间的输入一状态稳定的内部动力学的非线性不确定动态系统，基于Lyapunov定理提出了神经元自适应控制方案，该神经元自适应控制器的构建对系统的动力学知识没有要求，而只假设系统是连续可微的和不确定线性系统的逼近误差存在一个极小的增益类型范数有界的圆锥形扇区内，这样就可以将鲁棒控制和神经网络自适应控制结合起来，从而保证了闭环系统郎分渐近稳定。
同时人们开始将神经网络和其它新兴理论结合起来研究新型神经网络，如量子神经网和二阶模糊神经网络等。文献[8]提出了基于扬氏双缝实验思想的叠加态量子神经网络：文献[9]提出了基于模期前馈神经网络思想的韫子神经网络：文献[10]提出了基于量子力学本体表示的非叠加态量子神经网络。神经网络自适应控制这一领域呈现出欣欣向荣的景象。
1.1选题的背景和意义
人类当前所面临的重大科学技术研究任务之一是要揭示大脑的工作机制和人类智能的本质，开发智能应用技术，制造具有完成人类智能活动能力的帮能机器。在过去几十年里，无数先驱们不懈探索，在神经生理学、心理学等一大批基础学科的研究成果基础上，研究脑和机器的智能取得了许多可喜的进展，这些智能研究成果的取得不仅对智能机器研究本身具有重要的意义，而且推动了一大批相关学科的发展。
智能研究的历史至少可以追溯到50年代人工智能的初创期，更早些可咀追溯到图灵自动机理论。冯·诺伊曼曾多次谈到计算机和大脑在结构和功能上的异同，对它们从元件特性到系统结构进行了详尽比较。McCulloch和Pitts提出
4